基于变分贝叶斯字典学习的工业碱性水电解过程动态故障检测与诊断
机器学习
2024-04-16 v1
摘要
碱性水电解（AWE）是利用可再生能源生产绿氢的最简单方法之一。AWE系统通常产生序列相关且受测量不确定性污染的过程变量。提出了一种新型鲁棒动态变分贝叶斯字典学习（RDVDL）监控方法，以提高AWE运行的可靠性和安全性。RDVDL采用稀疏贝叶斯字典学习来保留AWE过程的动态机制信息，从而便于解释故障检测结果。为提高对测量不确定性的鲁棒性，推导了一种低秩向量自回归（VAR）方法，以从过程变量中可靠地提取序列相关性。通过工业制氢过程验证了所提方法的有效性，RDVDL能够高效地检测和诊断关键的AWE故障。
引用
@article{arxiv.2404.09524,
title = {Dynamic fault detection and diagnosis of industrial alkaline water electrolyzer process with variational Bayesian dictionary learning},
author = {Qi Zhang and Lei Xie and Weihua Xu and Hongye Su},
journal= {arXiv preprint arXiv:2404.09524},
year = {2024}
}